激光粉末床熔合中的缺陷和异常检测的原位红外相机监测：校准、数据映射和特征提取
内容提要
本研究利用机器学习框架关联高速彩色成像与熔池特征，检测过热异常并优化激光粉床熔融过程。通过生成性深度学习模型实现低保真度模拟向高保真度映射，提高了熔池深度预测的效率。同时，探讨了数字孪生模型在熔池几何和缺陷识别中的应用，推动增材制造的产品开发与认证。
延伸解读
多模态监测与机器学习融合
文章汇集了多项研究，共同趋势是利用机器学习融合高速彩色成像、光电二极管和红外传感器等多源数据，以检测激光粉末床熔融中的过热异常、飞溅和缺陷。这种融合方法能够从不同维度捕捉熔池动态，提高检测的准确性和鲁棒性，为原位监测提供了新思路。
生成模型加速熔池模拟
基于概率扩散框架的生成性深度学习模型，能够将低保真度粗网格模拟映射到高保真度结果，无需大量高保真模拟。该方法在保持温度场、熔池尺寸等关键度量一致的同时，将分析时间降低两个数量级，并实现3微米精度的熔池深度预测，显著提升了模拟效率。
数字孪生推动认证与开发
基于参数化物理模型的数字孪生（PPB-DT）结合机器学习，可用于预测、监测和控制熔池几何，并识别缺陷。这种数字孪生方法有望加速基于激光粉末床熔融的金属增材制造的产品开发和认证过程，为工业应用提供可靠工具。
智能优化与残余应力控制
文章还介绍了智能打印工具和深度强化学习框架，分别通过神经网络优化温度梯度分布和生成工作路径，以减少残余应力、实现热量均匀分布并避免过热区域。这些方法展示了机器学习在工艺优化和质量控制中的潜力，为提升打印质量提供了新途径。
Q&A
如何利用机器学习检测激光粉床熔融过程中的过热异常？
本研究通过提取光电二极管数据的三组特征，并采用多数投票集成方法，实现了层次化的过热异常检测，结果显著优于现有方法。
生成性深度学习模型在熔池深度预测中有什么优势？
该模型实现了低保真度模拟向高保真度映射，提高了熔池深度预测的效率，分析时间减少了两个数量级。
激光粉床熔融中的飞溅现象如何影响熔池？
研究揭示了飞溅形成的特性及其与熔池之间的关系，并使用机器学习算法进行高精度分类。
如何实现激光粉床熔融过程中的缺陷检测？
通过使用激光输入信息训练模型，预测熔化条件并计算异常得分，从而检测制造缺陷。
智能打印工具如何优化激光粉床熔融的打印质量？
智能打印工具通过神经网络预测和优化温度梯度分布，从而提高打印控制和质量。
数字孪生模型在增材制造中的应用是什么？
数字孪生模型用于预测、监测和控制熔池几何及缺陷识别，加快产品开发与认证过程。
